İleri Beslemeli Sinir Ağları

İleri beslemeli sinir ağı, yapay sinir ağlarının en basit türüdür. Bu mimaride veriler, geri döngü olmadan girdi katmanından çıktı katmanına doğru tek yönde akar.

İleri Beslemeli Sinir Ağının Yapısı

İleri beslemeli ağlar şunlardan oluşur:

• Girdi Katmanı: Ham verileri alır.
• Gizli Katmanlar: Hesaplamalar yapar ve özellikleri çıkarır.
• Çıktı Katmanı: Nihai sonucu üretir.

Her katman, sonraki katmana tamamen bağlıdır.

İleri Yayılım

İleri yayılım, verilerin ağdan geçirilmesi sürecidir:

1. Girdiler ağırlıklarla çarpılır ve yanlılıklara eklenir.
2. Doğrusal olmayanlık kazandırmak için etkinleştirme işlevleri uygulanır.
3. Çıktı hesaplanır ve sonraki katmana aktarılır.

Basit Bir İleri Beslemeli Ağ Oluşturma

Python kullanarak basit bir ileri beslemeli ağ oluşturalım. Ağ şunlara sahiptir:

• 2 girdi nöronu
• 3 nöronlu 1 gizli katman
• 1 çıktı nöronu

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

İleri Beslemeli Sinir Ağını Eğitme

Eğitim, hatayı en aza indirmek için ağırlıkların ve yanlılıkların ayarlanmasını içerir:

1. Hatayı hesaplayın (tahmin edilen ve gerçek değerler arasındaki fark).
2. Ağırlıkları güncellemek için gradyan inişi gibi optimizasyon algoritmaları kullanın.
3. Süreci birden çok yineleme (eğitim turu) boyunca tekrarlayın.

İleri Beslemeli Ağların Avantajları

İleri beslemeli ağlar:

• Basittir ve uygulanması kolaydır.
• Regresyon ve temel sınıflandırma gibi görevlerde etkilidir.
• Küçük veri kümeleri için hesaplama açısından verimlidir.

İleri Beslemeli Ağların Sınırlamaları

İleri beslemeli ağların bazı dezavantajları vardır:

• Sıralı veriler için bellekleri yoktur.
• Küçük eğitim verileriyle aşırı öğrenmeye yatkındır.
• Öğrenme oranı gibi hiperparametrelerin dikkatli biçimde ayarlanmasını gerektirir.

Gerçek Dünya Uygulamaları

İleri beslemeli ağlar şu alanlarda kullanılır:

• Tıbbi Tanı: Belirtilere göre hastalıkları tahmin etme.
• Dolandırıcılık Tespiti: Finansal işlemlerdeki şüpheli etkinlikleri belirleme.
• Hisse Senedi Fiyatı Tahmini: Gelecekteki hisse değerlerini tahmin etme.

Özet ve Sonraki Adımlar

Bu derste:

• İleri beslemeli sinir ağlarının yapısını ve çalışma biçimini inceledik.
• Python kullanarak basit bir ileri beslemeli ağ oluşturduk.
• Bu mimarinin avantajlarını ve sınırlamalarını ele aldık.

Sonraki adımda, ağırlıkları ve yanlılıkları eniyileyerek sinir ağlarının etkili biçimde öğrenmesini sağlayan geri yayılım algoritmasını ayrıntılı olarak inceleyeceğiz.